基于振動信號的氣體絕緣金屬封閉輸電線路局部放電診斷方法

陳 軒 王立憲 朱 超 馬宏忠

基于振動信號的氣體絕緣金屬封閉輸電線路局部放電診斷方法

陳 軒1王立憲2朱 超1馬宏忠2

（1. 國網(wǎng)江蘇省電力有限公司檢修分公司，南京 211102； 2. 河海大學(xué)能源與電氣學(xué)院，南京 211100）

為對氣體絕緣金屬封閉輸電線路（GIL）局部放電缺陷進(jìn)行識別與診斷，本文提出一種基于1.5維能量譜與粒子群優(yōu)化極限學(xué)習(xí)機(jī)（PSO-ELM）的局部放電缺陷診斷方法。首先，通過計(jì)算局部放電引起的GIL異常振動信號的1.5維能量譜，得到不同類型放電情況的能量波動特征；其次，構(gòu)建PSO-ELM模型，以1.5維能量譜作為特征量對GIL局部放電故障進(jìn)行識別與診斷；最后，通過不同方法的對比，驗(yàn)證該方法的優(yōu)越性，為GIL在輸配電系統(tǒng)中的安全、穩(wěn)定運(yùn)行提供依據(jù)。

氣體絕緣金屬封閉輸電線路（GIL）；局部放電；1.5維能量譜；粒子群優(yōu)化算法（PSO）；極限學(xué)習(xí)機(jī)（ELM）

0 引言

氣體絕緣金屬封閉輸電線路（gas insulated transmission line, GIL）是我國跨區(qū)域長距離電能輸送的重要輸電設(shè)備，已先后應(yīng)用在天生橋水電站、溪洛渡水電站和蘇通GIL綜合管廊等重要輸變電建設(shè)之中。局部放電（partial discharge, PD）是造成GIL內(nèi)部絕緣裂化、影響GIL設(shè)備絕緣性能的主要原因[1-3]，文獻(xiàn)[4]表明金屬顆粒污染物的存在會使GIL內(nèi)部絕緣性能降低50%以上。

目前，針對GIL設(shè)備內(nèi)部局部放電的常用診斷方法有脈沖電流法、特高頻檢測法和超聲波檢測法。脈沖電流法受外界環(huán)境影響（如電磁干擾）較大且不適用于在線監(jiān)測[5-6]；特高頻檢測法主要檢測0.3～3GHz的電磁信號，易受到窄帶噪聲的干擾，影響診斷結(jié)果[7]；超聲波檢測法雖不受電磁干擾的影響，但聲信號衰減較大等問題會給檢測造成阻礙[8]。

振動信號作為GIL設(shè)備運(yùn)行時(shí)的固有信號，具有直接、及時(shí)、準(zhǔn)確等優(yōu)點(diǎn)[9-10]。文獻(xiàn)[11]表明利用氣體絕緣金屬封閉開關(guān)設(shè)備（gas insulated switchgear, GIS）局部放電引起的設(shè)備異常振動信號可以實(shí)現(xiàn)對GIS局部放電故障的診斷；文獻(xiàn)[12]研究了尖端放電引起GIS殼體振動的規(guī)律，表明放電程度與GIS殼體異常振動加速度成正比。

本文搭建110kV GIL局部放電實(shí)驗(yàn)平臺，模擬GIL尖端放電與金屬顆粒放電兩種局部放電工況，以GIL設(shè)備的異常振動信號為研究對象，從振動信號的能量波動角度出發(fā)，提出一種基于1.5維能量譜與粒子群優(yōu)化極限學(xué)習(xí)機(jī)（particle swarm optimization-extreme learning machine, PSO-ELM）的GIL局部放電缺陷診斷方法。首先，利用能量算子與1.5維譜對異常振動信號能量波動進(jìn)行分析，得到尖端放電與金屬顆粒放電的能量波動特征；其次，構(gòu)建PSO-ELM模型，以1.5維能量譜作為特征量對GIL局部放電故障進(jìn)行識別與診斷；最后通過與其他方法進(jìn)行對比，驗(yàn)證本文所提方法的優(yōu)越性，為GIL設(shè)備局部放電的在線監(jiān)測、故障診斷提供依據(jù)。

1 實(shí)驗(yàn)設(shè)置

本文建立110kV GIL實(shí)驗(yàn)平臺來模擬尖端放電與金屬顆粒放電兩種放電缺陷。

1）GIL故障模型包含：MLZC—110kV調(diào)壓器、GDLB—5kV·A隔離濾波裝置、隔離保護(hù)裝置、YDJ—5/100無局部放電變壓器，額定電壓110kV，額定功率5kV·A，110kV以下局部放電量小于10pC及110kV GIL實(shí)驗(yàn)腔體。GIL設(shè)備導(dǎo)電桿直徑60mm，腔體內(nèi)直徑360mm，實(shí)驗(yàn)腔體含石英觀察窗便于拆卸與觀測，實(shí)驗(yàn)平臺如圖1所示。

2）信號同步采集系統(tǒng)包含：振動傳感器型號為CTC AC102—1A，靈敏度為100mV/±10%（25℃），最高振幅為±50m/s2，共振頻率為30kHz，振動信號采集儀為IOtech 652U。利用HCPD—2622型數(shù)字局部放電巡檢儀監(jiān)測電暈放電，其測量阻抗型號為HCPD—1—2，調(diào)諧范圍為25～400pF，以電暈放電的放電量作為設(shè)備起暈的判據(jù)。

3）故障設(shè)置：尖端放電缺陷設(shè)置需結(jié)合GIL設(shè)備額定電壓與結(jié)構(gòu)參數(shù)，為防止起始電壓過高，尖刺長度不宜過短，確定為65mm，材質(zhì)為鋁，用絕緣膠帶固定在導(dǎo)電桿上；在GIL腔體的內(nèi)壁上放置直徑為0.5mm和1mm的球狀混合鋁制金屬顆粒模擬金屬顆粒污染物放電缺陷。GIL局部放電缺陷設(shè)置如圖2所示。

圖1 實(shí)驗(yàn)平臺

圖2 GIL局部放電缺陷設(shè)置

2 基于1.5維能量譜與PSO-ELM的聯(lián)合診斷方法

2.1 1.5維能量譜

由于1.5維譜由信號的三階累積量變化得到，所以其對于噪聲敏感性不強(qiáng)，具有較好的抗噪能力；此外，其對于振動信號中的非線性耦合具有較強(qiáng)的識別能力，在分析非平穩(wěn)非線性信號方面具有優(yōu)越性。

2.2 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)（extreme learning machine, ELM）作為一種人工智能算法，具有較好的相似特征識別與泛化能力，ELM最終表示為

式中：為輸入向量；為隱藏層單元數(shù)量；為隱藏層中第個(gè)神經(jīng)元與輸出節(jié)點(diǎn)之間的連接權(quán)重；(?)為激活函數(shù)，本文使用對特征值感知更為明顯的Sigmoid函數(shù)作為激活函數(shù)；為位于隱藏層中第個(gè)神經(jīng)元的輸出權(quán)重；為隱藏層中第個(gè)神經(jīng)元與輸出節(jié)點(diǎn)之間的偏置；為樣本數(shù)量。ELM的反向傳播過程為

式中：和分別為訓(xùn)練集目標(biāo)矩陣與權(quán)重矩陣；為隱藏層輸出矩陣，有

由式（4）可知，權(quán)重向量和偏置均需要人工設(shè)置。當(dāng)人工設(shè)置的參數(shù)不能達(dá)到最優(yōu)標(biāo)準(zhǔn)時(shí)，ELM易產(chǎn)生準(zhǔn)確率降低、穩(wěn)定性失衡等問題。鑒于ELM模型的不足，本文采用粒子群算法（particle swarm optimization, PSO）對ELM模型進(jìn)行參數(shù)優(yōu)化，完善網(wǎng)絡(luò)結(jié)構(gòu)，提升模型的準(zhǔn)確性。

2.3 粒子群優(yōu)化算法

PSO作為一種智能優(yōu)化算法，其基本思想是通過粒子在種群中速度向量與位置向量的信息共享和共同協(xié)作來完成迭代尋優(yōu)。

式中，為粒子尋優(yōu)搜索維度，=1, 2,…,。

迭代尋優(yōu)過程可表示為

2.4 基于1.5維能量譜與PSO-ELM模型的聯(lián)合診斷方法

本文首先利用Teager-Kaiser算子提取振動信號的瞬時(shí)能量值；其次利用其三階累積量的對角切片的一次傅里葉變換將瞬時(shí)能量值散點(diǎn)形成1.5維能量譜，分析其特征變化；最后，將尖端放電與金屬顆粒放電的1.5維能量譜作為特征輸入PSO-ELM模型進(jìn)行故障分類與診斷，PSO-ELM模型的具體參數(shù)設(shè)置見表1。

表1 PSO-ELM模型參數(shù)

具體操作流程如下：

1）將ELM的權(quán)重向量和隱藏層神經(jīng)元閾值設(shè)置為粒子，初始化種群粒子位置和速度。

2）計(jì)算粒子適應(yīng)度值，選取方均誤差（mean squared error, MSE）作為PSO計(jì)算的適應(yīng)度值，即

式中：為輸入樣本數(shù)量；E為預(yù)測輸出；R為實(shí)際計(jì)算輸出。

3）根據(jù)步驟2）更新粒子和全局的極值。

4）根據(jù)新極值更新粒子的位置和速度。

基于1.5維能量譜與PSO-ELM的算法流程如圖3所示。

圖3 基于1.5維能量譜與PSO-ELM的算法流程

3 故障診斷結(jié)果分析

3.1 信號獲取

利用文中實(shí)驗(yàn)平臺，獲取GIL設(shè)備正常運(yùn)行時(shí)的振動信號，并將其作為發(fā)生局部放電時(shí)GIL設(shè)備異常振動信號的對照，分別獨(dú)立進(jìn)行尖端放電實(shí)驗(yàn)與金屬顆粒放電實(shí)驗(yàn)，獲得GIL設(shè)備三種工況下的振動信號如圖4所示。

由圖4可以看出，GIL設(shè)備在正常運(yùn)行和發(fā)生局部放電時(shí)的振動信號存在明顯差異。在正常運(yùn)行狀態(tài)下，GIL設(shè)備的振動信號幅值小于0.45×10-3m/s2，信號波動平穩(wěn)。

發(fā)生尖端放電時(shí)，起始放電電壓為63.8kV，放電脈沖電流值為0.76A，脈沖電流值為1.32A，放電量為1 246pC；發(fā)生金屬顆粒放電時(shí)，起始放電電壓為71.4kV，放電脈沖電流值為0.63A，脈沖電流值為1.17A，放電量為1 023pC。發(fā)生局部放電時(shí)，GIL設(shè)備的振動信號幅值明顯增大，且振動信號出現(xiàn)多個(gè)峰值。對比尖端放電和金屬顆粒放電引起的GIL設(shè)備異常振動信號發(fā)現(xiàn)，二者區(qū)別并不明顯，無法對其進(jìn)行判別，需要進(jìn)一步分析其能量波動特征。

3.2 1.5維能量譜對比與分析

根據(jù)尖端放電和金屬顆粒放電引起的GIL設(shè)備異常振動信號能量變化，得到二者的1.5維能量譜如圖5所示。

圖5 GIL設(shè)備局部放電1.5維能量譜

由圖5可以發(fā)現(xiàn)，二者1.5維能量譜的變化特征區(qū)別明顯。尖端放電1.5維能量譜的峰值變化明顯，呈“尖刺”狀；而金屬顆粒放電1.5維能量譜變化連綿，呈“波浪”狀。造成二者區(qū)別的主要原因在于兩者放電模式的不同，尖端放電位置發(fā)生在導(dǎo)電桿上，在發(fā)生局部放電時(shí)電壓等級高、放電脈沖電流大，又因?qū)щ姉U導(dǎo)電性能好，脈沖電流衰減速度快，因此其1.5維能量譜的能量變化呈“尖刺”狀上升和下降；而金屬顆粒在發(fā)生放電前會先發(fā)生運(yùn)動[13-15]，其放電位置非固定，且放電形式以單顆粒的分散式放電為主，所以其放電能量并不集中，而是呈“波浪”狀。

3.3 故障診斷與對比分析

針對GIL設(shè)備尖端放電與金屬顆粒放電，測取尖端放電和金屬顆粒放電缺陷兩種振動數(shù)據(jù)各15組，尖端放電缺陷施加電壓64kV，金屬顆粒放電缺陷施加電壓72kV，每組18個(gè)樣本，每個(gè)樣本的采樣點(diǎn)為3 600點(diǎn)，將前12組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，將后3組數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)集，Class1～3為尖端放電，Class4～6為金屬顆粒放電。為進(jìn)一步證明本文所提方法的診斷效果，將其與遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)（genetic algorithm-extreme learning machine, GA-ELM）[16]、局部均值分解-支持向量機(jī)（local mean decomposition-support vector machine, LMD- SVM）[17]進(jìn)行對比，其中SVM選擇默認(rèn)的徑向基函數(shù)（radial basis function, RBF）。根據(jù)Class1～6的期望輸出與診斷輸出結(jié)果的一致性對GIL設(shè)備的放電故障進(jìn)行判別，得到故障識別結(jié)果見表2和表3，其中深色底紋處為識別錯(cuò)誤的樣本，故障診斷結(jié)果如圖6所示。

表2 尖端放電缺陷識別結(jié)果

表3 金屬顆粒放電缺陷識別結(jié)果

通過對比三種方法的診斷結(jié)果可以發(fā)現(xiàn)，本文的PSO-ELM模型對于GIL局部放電的識別效果最好，平均準(zhǔn)確率達(dá)99.07%；GA-ELM故障放電工況下診斷錯(cuò)誤5個(gè)樣本，平均準(zhǔn)確率為95.35%；LMD-SVM故障放電工況下診斷錯(cuò)誤6個(gè)樣本，平均準(zhǔn)確率為94.44%。通過對比可以發(fā)現(xiàn)，本文所提的基于1.5維能量譜與PSO-ELM模型的GIL局部放電診斷方法能夠在一定程度上對GIL局部放電缺陷進(jìn)行識別與診斷。

本文基于振動信號的能量波動對GIL局部放電進(jìn)行了模式識別與故障分析，利用振動信號可以區(qū)分GIL設(shè)備正常運(yùn)行與發(fā)生局部放電兩種工況。文獻(xiàn)[18]表明機(jī)械故障引起的振動信號多為低頻振動信號，局部放電引起的振動信號多為高頻振動信號，區(qū)分機(jī)械故障引起的異常振動與放電引起的異常振動，可以結(jié)合振動頻譜進(jìn)行聯(lián)合分析，以達(dá)到較為準(zhǔn)確的診斷結(jié)果。由于能量算子在待分析信號的每一時(shí)刻，都是利用三個(gè)相關(guān)樣本值來進(jìn)行能量計(jì)算的特性，對于GIL局部放電引起的微弱振動，1.5維能量譜都能較為完整地保留其能量波動特征，所以本文方法對于GIL局部放電引起的微弱振動仍具有較好的識別效果。

4 結(jié)論

本文提出一種基于1.5維能量譜與PSO-ELM的局部放電缺陷診斷方法，通過對實(shí)驗(yàn)采集GIL尖端放電與金屬顆粒放電引起的異常振動信號進(jìn)行能量波動特征提取，得出以下結(jié)論：

1）尖端放電能量波動呈“尖刺”狀，金屬顆粒放電能量波動呈“波浪”狀，二者的1.5維能量譜的變化特征區(qū)別明顯，可以作為故障診斷的特征依據(jù)。

2）通過實(shí)驗(yàn)結(jié)果與診斷方法結(jié)果對比，證明了基于1.5維能量譜與PSO-ELM的局部放電缺陷診斷方法的準(zhǔn)確性，為GIL局部放電診斷提供了理論依據(jù)。

[1] 侯志強(qiáng), 郭若琛, 李軍浩. 直流電壓下SF6/N2混合氣體沿面局部放電特性[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(14): 3087-3096.

[2] 李鵬, 顏湘蓮, 王浩, 等. 特高壓交流GIL輸電技術(shù)研究及應(yīng)用[J]. 電網(wǎng)技術(shù), 2017, 41(10): 3161-3167.

[3] 楊勇, 葉瑞, 王洪川. 氣體絕緣封閉金屬開關(guān)設(shè)備與氣體絕緣輸電線路應(yīng)力分類及其校核標(biāo)準(zhǔn)比較[J]. 電氣技術(shù), 2020, 21(12): 87-91, 101.

[4] COOKSON A H. Electrical breakdown for uniform fields in compressed gases[J]. Proceedings of the Institution of Electrical Engineers, 1970, 117(1): 269-280.

[5] 王鵬, 趙政嘉, 劉雪山, 等. 電力電子設(shè)備中的電氣絕緣問題[J]. 高電壓技術(shù), 2018, 44(7): 2309-2322.

[6] 王鵬, 周婉亞, 王科鏡, 等. 正弦和重復(fù)方波電壓下變頻電機(jī)絕緣局部放電特性對比[J]. 高電壓技術(shù), 2016, 42(12): 3895-3900.

[7] 劉宇舜, 程登峰, 夏令志, 等. 基于單通道盲源分離算法的局部放電特高頻信號去噪方法[J]. 電工技術(shù)學(xué)報(bào), 2018, 33(23): 5625-5636.

[8] 王鵬, 劉玉婷, 鄒陽, 等. TEV和超聲波檢測法在開關(guān)柜局部放電檢測中的應(yīng)用評述[J]. 高壓電器, 2020, 65(10): 75-83.

[9] 常晨, 劉蘭榮, 盧美林, 等. 并聯(lián)電抗器等效模型的振動噪聲特性試驗(yàn)研究[J]. 電氣技術(shù), 2019, 20(2): 37-41, 47.

[10] 馬速良, 武建文, 袁洋, 等. 多振動信息下的高壓斷路器機(jī)械故障隨機(jī)森林融合診斷方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(增刊2): 421-431.

[11] 臧旭, 馬宏忠, 吳金利, 等. 基于改進(jìn)集總經(jīng)驗(yàn)?zāi)B(tài)近似熵的GIS放電故障診斷[J]. 高壓電器, 2020, 56(6): 129-137.

[12] 李凱, 許洪華, 馬宏忠, 等. GIS針尖類局部放電引起的振動特性研究[J]. 智慧電力, 2016, 44(9): 80-84.

[13] 孫秋芹, 羅宸江, 王峰, 等. 直流GIL導(dǎo)體表面金屬顆粒跳躍運(yùn)動特性研究[J]. 電工技術(shù)學(xué)報(bào), 2018, 33(22): 5206-5216.

[14] 律方成, 劉宏宇, 陰凱, 等. 直流GIL不均勻場中金屬微粒運(yùn)動的數(shù)值模擬及放電特性分析[J]. 中國電機(jī)工程學(xué)報(bào), 2017, 37(10): 2798-2806.

[15] 王健, 李慶民, 李伯濤, 等. 考慮非彈性隨機(jī)碰撞與SF6/N2混合氣體影響的直流GIL球形金屬微粒運(yùn)動行為研究[J]. 中國電機(jī)工程學(xué)報(bào), 2015, 35(15): 3971-3978.

[16] 呂忠, 周強(qiáng), 周琨, 等. 基于遺傳算法改進(jìn)極限學(xué)習(xí)機(jī)的變壓器故障診斷[J]. 高壓電器, 2015, 51(8): 49-53.

[17] 黃輝敏, 王飛風(fēng), 蘇毅, 等. 基于LMD和SVM的高壓斷路器彈簧操動機(jī)構(gòu)狀態(tài)異常檢測方法研究[J]. 高壓電器, 2020, 56(5): 243-248.

[18] 張利, 屈斌, 王永寧, 等. GIS殼體振動機(jī)理和局部放電優(yōu)化診斷與應(yīng)用[J/OL]. 中國電力, https:// kns.cnki.net/kcms/detail/11.3265.TM.20200403.1208. 012.html.

Partial discharge diagnosis method of gas insulated transmission line based on vibration signal

CHEN Xuan1WANG Lixian2ZHU Chao1MA Hongzhong2

(1. Maintenance Branch Company, State Grid Jiangsu Electric Power Co., Ltd, Nanjing 211102; 2. College of Energy and Electrical Engineering, Hohai University, Nanjing 211100)

In order to identify and diagnose partial discharge defects in gas insulated transmission line (GIL), a partial discharge defect diagnosis method based on 1.5D energy spectrum and particle swarm optimization-extreme learning machine (PSO-ELM) is proposed. By calculating the 1.5D energy spectrum of GIL abnormal vibration signal caused by partial discharge, the energy fluctuation characteristics of GIL abnormal vibration caused by different types of discharge are obtained. Secondly, the PSO-ELM model is constructed, and the 1.5D energy spectrum is used as the feature to identify and diagnose the partial discharge fault of GIL. Finally, through the comparison of different methods, the advantage of the proposed method is verified, which provides the basis for the safe and stable operation of GIL in the power transmission and distribution system.

gas insulated transmission line (GIL); partial discharge; 1.5D energy spectrum; particle swarm optimization (PSO); extreme learning machine (ELM)

國網(wǎng)江蘇省電力公司重點(diǎn)科技項(xiàng)目（J2020040）

“111”引智計(jì)劃（B14022）

2021-07-15

2021-07-29

陳 軒（1987—），男，江蘇南京人，學(xué)士，工程師，主要從事變電設(shè)備帶電檢測的研究工作。